Поступила в редакцию: 14.04.2026
Принята к публикации: 22.05.2026
Опубликована online: 30.06.2026
УДК:616.314-089.843
DOI: 10.70113/1815-9443.2026.51.29.012
ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ АУГМЕНТАЦИИ МЯГКИХ ТКАНЕЙ С ИСПОЛЬЗОВАНИЕМ SCTG И L-PRF НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Ажибеков А.С. 1, Менчишева Ю.А. 1, Еркибаева Ж.У. 1
1НАО “Казахский национальный медицинский университет имени С.Д.Асфендиярова”, Алматы, Казахстан
Введение. Дефицит мягких тканей вокруг имлантатов в дистальных отделах нижней челюсти остается значимой клинической проблемой. Несмотря на то, что субэпителиальные соединительнотканные трансплантаты (SCTG) в сочетании с лейкоцитарно-тромбоцитарным фибрином (L-PRF) продемонстрировали благоприятные клинические результаты, индивидуализированное прогнозирование успешности лечения остается недостаточно изученным. Методы машинного обучения могут предоставить новые возможности для персонализированного планирования лечения в имплантологии.
Цель. Оценить возможность применения методов машинного обучения для прогнозирования результатов периимплантатной аугментации мягких тканей после применения SCTG и L-PRF, а также определить клинические переменные, наиболее тесно связанные с успешностью лечения.
Материалы и методы. Исследование представляет собой вторичный анализ с использованием методов машинного обучения, основанный на данных ранее проведенного рандомизированного контролируемого клинического исследования. Окончательные данные включали 92 пациентов спустя 6 месяцев наблюдения после аугментации мягких тканей, включая 47 пациентов после аугментации SCTG в сочетании с L-PRF, и 45 пациентов после пересадки только SCTG. В анализ были включены исходные демографические, клинические, иммунологические и показатели мягких тканей вокруг имплантата. Прогностическое моделирование выполнялось с использованием Python и библиотеки scikit-learn. Алгоритмы Random Forest и многослойного персептрона оценивались с применением 5-кратной перекрестной валидации. Эффективность моделей оценивалась по показателям accuracy, precision, recall и F1-score.
Результаты. Благоприятные клинические результаты через 6 месяцев наблюдались у 79 пациентов (85,9%), тогда как у 13 пациентов (14,1%) были выявлены субоптимальные состояние мягких тканей вокруг имплантатов и эстетические результаты. Классификатор Random Forest продемонстрировал более стабильную прогностическую эффективность по сравнению с моделью многослойного персептрона. Исследовательская модель Random Forest показала средние значения accuracy 0,81, precision 0,79, recall 0,77 и F1-score 0,78 в ходе процедур перекрестной валидации. Анализ значимости признаков показал, что исходная ширина кератинизированной ткани, фенотип периимплантатных мягких тканей и курение были наиболее значимыми переменными, связанными с результатами лечения.
Обсуждение. Полученные результаты подтверждают важность кератинизированной слизистой оболочки для стабильности периимплантатных тканей и использование SCTG как предсказуемого метода аугментации мягких тканей. Дополнительное применение L-PRF может улучшать послеоперационное заживление благодаря его регенеративным свойствам. Анализ с использованием методов машинного обучения продемонстрировал потенциальную возможность индивидуализированного прогнозирования результатов лечения на основе интеграции клинических и биологических переменных в имплантологии.
Заключение. Анализ с использованием методов машинного обучения продемонстрировал потенциальную возможность индивидуализированного прогнозирования результатов аугментации мягких тканей с помощью SCTG и L-PRF вокруг имплантатов. Исходные характеристики периимплантатных мягких тканей и пациент-ассоциированные факторы оказывают влияние на послеоперационное заживление и эстетические результаты. Полученные данные следует рассматривать как гипотезо-генерирующие. Для рутинного клинического применения прогностических моделей машинного обучения в имплантологии необходимы дальнейшие многоцентровые исследования с более крупными независимыми выборками и внешней валидацией.
Ключевые слова: дентальная имплантация, аугментация мягких тканей, соединительнотканный трансплантат, машинное обучение, предиктивное моделирование.
